
目次
どの業界においても、事前に適切な在庫を予測して準備することが求められる時代。在庫は過剰だと利益を圧迫し、管理コストも増大させます。逆に、少なすぎるとせっかくの売れる機会を失い、売上減につながるため、正確な需要予測が必要になっているのです。本記事では、需要予測の事例を紹介しながら、導入メリットや手法などを解説していきます。
▼更に需要予測について詳しく知るには?
需要予測の基本を徹底解説!精度向上のポイントも紹介
▼社内のデータをAI化するには?
ノーコードAIツールUMWELT紹介ページ(活用事例あり)
需要予測とは経営に活用できる分析手法の一つ
データ分析による需要予測が企業の意思決定において重要性を増している背景には、グローバル化と顧客ニーズの多様化などがあります。これからコスト競争は一層シビアになることが予想され、企業は適正な在庫管理とコストダウンを進めていく必要に迫られているのです。顧客サービスを向上させるために素早く柔軟な対応が求められる中で、需要の変化やその前ぶれをより早く正確に把握することは、企業の経営戦略をより良い方向へと導くものになると考えられています。
需要予測とは
需要予測とは、将来的な販売数や使用量を予測する上で必要な手法です。顧客満足度を得るためには、在庫を切らしたり、納期を待たせたりしないようにしっかりとした在庫管理がどの業界でも必須。AI(人工知能)を活用することで需要予測の精度は高まり、大きな利益につながることが期待されます。従来、担当者が需要を予測していた企業にとっては、組織に知見が蓄積されることで特定の人に依存したスキルではなく、標準化された業務になります。
需要予測の導入事例
現在、需要予測は多くの業界で導入が進んでいます。例えば輸送機製造業では、数十万点に及ぶ部品に対して、過去の受注実績データなどを分析して得られた受注予測を基に発注数量を算出。即納率98%、バックオーダー(受注残)半減を達成しました。精密機器製造業では、3割の在庫圧縮を実現したり、四半期ごとに実施している全製品の生産計画見直し作業が30日から7日間に短縮することにも成功したりしています。商品点数の多いホームセンターは自動発注の仕組みを取り入れ、タクシー業界においては乗客数を予測する配車システムを導入することで、新人でもベテランドライバー並みの成果を上げることができるようになりました。
需要予測を行うメリット
消費者のライフスタイルの変化に伴いニーズが多様化し、製品ライフサイクルの短縮化が顕著になりつつある中で、商品ごとの需要予測を人手に頼って行うのは現実的ではありません。AIによる需要予測を行えば、担当者の経験と勘に頼らない生産計画の策定や多品種少量生産への対応、無駄な在庫の削減といったメリットを得ることが期待できます。
在庫管理を徹底できる
企業は売れる機会を逃さず、過剰在庫も回避しなければなりません。AIによる需要予測は過去の販売実績データだけでなく、天候や周辺のマーケットなど複数の要因を踏まえながら予測することが可能。実績データとつき合わせながら繰り返し検証を行うことで、より高い精度の予測になっていくのです。無駄な在庫がなくなれば、限りあるスペースの有効活用、製品の輸送や保管にかかるコストの低減にもつながります。可能な限り自動化できる業務を増やすことで、人ならではの業務に時間を割けるようにもなります。
理論的な生産計画を立てられる
生産計画は需要に関わるさまざまな要因を考慮しながら、製品ごとの異なる特性を踏まえて立てる必要があります。そこで、大きな役割を果たすのがAIによる機械学習です。製品ごとに蓄積した膨大なデータから自動的に割り出した需要パターンを踏まえ、理論的な生産計画を立てることが可能になります。
分析の手間がかからない
高齢化社会に伴い、日本の労働人口は年々減少しています。人手を割いていた在庫管理や生産発注も、AIが人間に代わって行うことで、そこにかかっていた時間を削減できます。どうしても人間でなければできない予測に時間を割くことで、さらなる精度の向上も期待できるのです。例え新商品でも、類似した商品のデータなどを用いることで高精度な生産計画を立てることができます。近年では、社内外でデータを利活用する環境が整いつつあり、データ分析がより身近になっていることも企業の需要予測導入を後押しする一因となっています。
需要予測の手法
需要予測には「統計的な予測」と「人的な予測」の大きく二つの方法が用いられます。受注の状況や顧客数、見込み客などのデータを基に担当者が予測する人的な予測は、近い将来の予測に適しています。一方、統計的な予測では、回帰分析、移動平均法、指数平滑法などの方法を用いて、過去の実績を基に未来の予測値を導き出します。
移動平均法
移動平均法は過去の売上から算出される移動平均を基に、将来を予測する手法です。直近のデータが反映される一方で、一部のデータしか活用されないため、せっかく揃っている過去のデータが無駄になってしまうという欠点もあります。
指数平滑法
過去の実績値と予測値を割り出すことにより、需要を予測する指数平滑法。もっとも単純な指数平滑法の予測は以下の式のとおりです。
予測値= α × 前期実績値 + (1 – α) × 前期予測値
平滑化指数と呼ばれる係数αの設定値は、1に近いほど直前の実績を重視した予測ができ、0に近いほど過去データの傾向を重視した予測となります。
回帰分析
回帰分析とは、時間や販売数量など因果関係にありそうな変数を直線の形で記述する方法です。結果に対する原因を推測するために、例えば宣伝広告費と来店者数の関係を数字に直して分析する際などに活用できます。原因となる説明変数が一つの場合には単回帰分析、複数になると重回帰分析などと呼び分けます。
需要予測が正確に当たらない理由
需要予測は万能でないと理解して活用することが必要です。需要予測が成功するためには、信用できる大量のデータと、高い精度で需要予測につながるデータの特定が不可欠になります。関連するデータの種類が少ない、データの精度が低いと失敗の原因になります。成功と失敗の別れ道には、関連するデータの質と量、適切なモデル設計、さらには予測の精度を上げるために調整を繰り返すことのできる専門スキルを持った人材が必要となるのです。
データが不十分である
大量のデータから相関関係を導くAIによる需要予測では、一見、予測したい内容とは関係なさそうなデータでも揃っていることが重要になります。しかし、「社内のどこに必要なデータがあるのかわからない」「属人的な要素が強くデータ化できていない」などのケースも企業には多く、データをまとめて管理できる環境の整備が大切になってきます。
メーカー側による販促の失敗
歯磨き粉やシャンプーなどの日用品の消費量は毎年ほとんど変わりません。ではなぜ、メーカー各社の需要予測が大きく乱れ、在庫の設定が難しいのでしょうか?その原因に売り上げを増やそうとするメーカー側の事業拡張意欲があります。
例えば、目標に基づきドラッグストアへ商品を販売しても、お客さんが増えていなければ店頭では消化しきれず在庫になります。結果、翌月の出荷量は減少。ただ、月ごとの出荷量は増減しても、年間を通じてみると実は在庫が移動しているだけなので、結局は自分自身で予測を狂わせているのです。
需要予測の失敗事例
世界のアパレル企業となったユニクロも、需要予測を取り入れています。「有明プロジェクト」と題した経営改革は、消費者が今求めている商品を必要な分だけ作り、無駄なく届けるという課題に取り組むため、米国Googleと協力。世界中から集めた膨大なデータを分析して、流行する色や形を予測、AIを活用して追加生産のタイミングを判断するなど、活用を進めています。しかし、その予測はまだまだ不完全であり、在庫増加による店頭値下げの発生が買い控えを誘発しているという分析もあります。
正確な需要予測を行う方法
需要予測を日常業務に使うのか、経営戦略の決定に使うのか、目的とする意思決定により、求められる要件は大きく異なります。目的に応じて最適な予測モデルを見つけ出すことがとても重要なのです。
目的を考える
家電メーカーが数週間後の受注を予測して毎日の生産量を決定するような短期的な意思決定の場合は、比較的近い将来を高い精度で予測することが求められます。一方で、新商品発売のタイミングや設備投資の時期など会社の経営戦略に利用する場合、遠い将来の予測が必要になることが多いのです。大まかな傾向を把握することができれば良いとはいえ、市場の動向や取引先の戦略などの要素を絡めた予測にすべきであり、とても難しい需要予測の活用になる一面もあります。
質の高いデータを使用する
使用するデータは、最新の正確なものを使ってください。例えば、1カ月先の生産量を予測する場合には、1カ月前のデータより1日前のデータの方が予測精度が高いことは明らかです。完璧な予測は難しいからこそ、データを分析して活用する企業は、製品に関するデータを最新のものに更新し、正確な情報を利用することが重要な業務の一つになります。
最新の需要量を参考にする
社会は常に変化しており、競合商品の変化や流行の移り変わり、大規模災害などさまざまな要因で予測精度が大きく低下することを想定しておく必要があります。例え今は最適なモデルであったとしても、何らかの要因で役に立たなくなる可能性があるため、定期的な予測モデルの検証と改善を繰り返すことが必要となります。
生産量との誤差を考慮する
どれだけいい予測モデルが構築できても、考慮できていない要素によって実際の需要量との間には必ず誤差が生まれます。競合他社から新商品が発売された場合には、その商品に関する情報は事前に取得できず、予測モデルに組み込むことは難しいのです。また、天候や取引先の都合による生産量の誤差にも対応しきれません。
異常値を考慮する
販促キャンペーンによって急増した売り上げや、メディアに取り上げられたことによる爆発的な売り上げの伸びなど、一時的な売り上げの増加は異常値として処理します。メディアに取り上げられたときのデータを使い、取り上げられなかった場合の売り上げを予測することは難しいからです。
最新導入事例
東急不動産ホールディングス及び東急リゾーツ&ステイ
ゴルフ場での需要予測の実証実験をスタートしています。具体的には、ゴルフ場の予約数を常時予測することでサービス価格を調整する取り組みです。この需要予測は利益を守ることはもちろんのこと、施設内のスタッフのシフト作成やサービスの品質向上にも影響するため、応用範囲の広いAI活用施策だと捉えています。
需要予測システムを導入したいのであればTRYETINGの「UMWELT」がおすすめ
どの業界でも、機会の損失を回避し、大きな利益につなげるため、事前に適切な在庫量を予測して準備する必要に迫られています。それには需要予測は必須。TRYETINGの「UMWELT」なら精度を向上させるためにAIを活用した機械学習による需要予測が可能です。社内にあるデータを使って最低限の時間とコストで導入できる点も大きな魅力でしょう。過去の販売データと、株価などの外部要因データを組み合わせることで、人間では予測しきれない需要予測ができます。
まとめ
今回は、需要予測の活用メリットなどを紹介しました。システムの導入を検討している方はTRYETINGの「UMWELT」がおすすめです。気になった企業担当者はぜひお問い合わせください。
UMWELTのサービスページをチェックする(下記画像をクリック)

TRYETING
公式
TRYETING公式です。
お知らせやIR情報などを発信します。